卷積神經網路（Convolutional Neural Networks, CNN）是一類包含卷積計算且具有深度結構的前饋神經網路，屬於深度學習的代表算法之一。它們具有表徵學習能力，能夠進行平移不變分類，因此也被稱為「平移不變人工神經網路」。卷積神經網路的設計仿造生物的視知覺機制，可以進行監督學習和非監督學習。這類網路的核心思想是通過卷積、池化等操作來提取特徵，將輸入數據映射到一個高維特徵空間中，然後通過全連線層進行分類或回歸。
卷積神經網路的主要特點是權值共享和局部連線。權值共享指的是在卷積層中，同一個卷積核在不同位置上的權值是相同的，這有助於減少模型參數並提高模型的泛化能力。局部連線則意味著每個卷積核只與輸入數據的一部分進行卷積運算，這樣可以提取出局部特徵，增強模型的特徵提取能力。
卷積神經網路通常由多個卷積層、池化層、全連線層等組成。卷積層和池化層負責特徵提取，而全連線層則用於分類或回歸。在訓練過程中，通常採用反向傳播算法來更新網路參數，以最小化損失函式。
卷積神經網路的研究始於二十世紀80至90年代，時間延遲網路和LeNet-5是最早出現的卷積神經網路。進入二十一世紀後，隨著深度學習理論的提出和數值計算設備的改進，卷積神經網路得到了快速發展，並被廣泛套用於計算機視覺、自然語言處理等領域。它們能夠自動學習特徵，無需手動設計特徵提取器，從而降低了特徵工程的難度和成本。此外，卷積神經網路還具有良好的平移不變性和局部不變性。